مدل‌سازی مواد جامد محلول با استفاده از رویکرد مبتنی بر هوش مصنوعی بر پایه‌ الگوریتم‌های پیش‌پردازش‌کننده

کیفیت آب یکی از مهم‌ترین عوامل موثر در زندگی سالم و حیات بشر است. از این‌رو، شناسایی مواد جامد محلول (tds) یکی از مهم‌ترین عوامل آن می‌‌باشد؛ که بسیاری از برنامه‌‌های توسعه منابع آب در شناسایی این عوامل اجرا خواهند شد. پیش‌‌بینی دقیق پارامترهای کیفیت آب یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است. در این مطالعه، از یک الگوریتم پیش‌پردازش داده جدید، eemd، برای تخمین یکی از پارامترهای مهم کیفیت آب، بنام tds‌‌ استفاده شد. پذیرش و قابلیت اطمینان مدل‌‌های پیشنهادی (به عنوان مثال، شبکه های عصبی مصنوعی ‌‌(ann)، ‌‌eemd-ann‌‌، ماشین بردار پشتیبان (svm) و‌‌ eemd-svm)‌‌) با استفاده از پنج معیار عملکرد و نمودارهای تصویری ارزیابی شد. مقایسه نتایج مدل‌‌های مستقل و ترکیبی نشان داد که الگوریتم‌‌های پیش‌‌پردازنده می‌‌توانند عملکرد مدل svm ترکیبی را برای برآورد پارامتر کیفی tds افزایش دهد. به عنوان مثال، مدل eemd-svm باrmse برابر 23/20 برای مرحله آموزش و rmse برابر 29/27 برای مرحله آزمایش در ایستگاه ورند و‌‌ 26/45=rmse برای مرحله آموزش و 06/40=rmse برای مرحله آزمایش در ایستگاه گرمرود، از سایر مدل‌‌های ترکیبی و مستقل عملکرد بهتری داشت. از این‌رو، می‌‌توان روش ترکیبی ماشین‌‌های بردار پشتیبان بر پایه الگوریتم پیش‌پردازش کننده eemd را به عنوان یک مدل برتر به تصمیم‌‌گیران جهت برنامه‌‌ریزی و مدیریت در زمینه تشخصی کیفیت آب رودخانه‌‌ها پیشنهاد کرد.